数据分析遵循如下主要过程
数据采集数据挖掘数据可视化
见? 机器学习的之数据学习算法
见? 机器学习的任务流程之流程详解
数据分析的每个过程均有 Python 库?持，可以通过 Python实现数据分析的全部技术栈
Requests 是一个 Python 的 HTTP 客户端库, 支持的 HTTP 特性：
Pandas（Python 数据分析）是数据科学生命周期中的必备工具，它是数据科学中最流行和使用最广泛的 Python 库之一。在 GitHub 上有大约 17,00 条评论和一个由 1,200 名贡献者组成的活跃社区，它被大量用于数据分析和数据清理。Pandas 提供快速、灵活的数据结构，旨在帮助用户轻松直观地处理结构化数据。
应用场景如下：
它是一个机器学习库，提供了几乎所有的机器学习算法，它具有各种分类，回归和聚类算法，包括支持向量机，随机森林，梯度提升，k均值和DBSCAN，并且旨在与Python数值科学库NumPy和SciPy联合使用。
应用场景如下：
BeautifulSoup是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.BeautifulSoup会帮你节省数小时甚至数天的工作时间。BeautifulSoup以网络爬取和数据抓取而闻名。
用户可以在没有适当的 CSV 或 API 的情况下收集某些网站上可用的数据，BeautifulSoup 可以帮助他们抓取这些数据并将其排列成所需的格式。
Matplotlib 是 Python 中最受欢迎的数据可视化软件包之一，支持跨平台运行，它是 Python 常用的 2D 绘图库，同时它也提供了一部分 3D 绘图接口。Matplotlib 通常与 NumPy、Pandas 一起使用，是数据分析中不可或缺的重要工具之一，可视化效果绝佳，它还提供了一个面向对象的 API，可用于将这些绘图嵌入到应用程序中。
应用场景如下：
seaborn是python中的一个可视化库，是对matplotlib进行二次封装而成，既然是基于matplotlib，所以seaborn的很多图表接口和参数设置与其很是接近。相比matplotlib而言，个人认为seaborn的几个鲜明特点如下：
正是由于seaborn的这些特点，在进行EDA（Exploratory Data Analysis， 探索性数据分析）过程中，seaborn往往更为高效。然而也需指出，seaborn与matplotlib的关系是互为补充而非替代, 多数场合中seaborn是绘图首选，而在某些特定场景下则仍需用matplotlib进行更为细致的个性化定制。